亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

在戰術環境中工作的士兵、急救人員和野戰人員越來越多地使用移動系統為任務提供支持。然而，動態環境、有限的計算資源、斷開的間歇限制（DIL）、網絡連接和高度壓力對戰術環境中的移動系統構成了挑戰。

戰術微云

前向部署、可發現、基于虛擬機 (VM) 的 com 節點，可托管在車輛或其他平臺上，以提供

• 卸載計算的基礎設施
• 為任務提供前向數據分期
• 數據過濾，從面向移動用戶的數據流中刪除不必要的數據
• 為企業存儲庫提供數據收集點

AuroraXR 是一個提供互操作性和數據同步功能的框架，可滿足陸軍和美國國防部其他網絡增強現實、混合現實和虛擬現實系統的使用要求。AuroraXR 提供了從現實世界中的傳感器和外部系統與虛擬環境中的用戶和系統建立雙向信息共享的機制。與游戲行業通常使用的網絡解決方案不同，AuroraXR 是專為戰術網絡架構設計的，在這種架構中，帶寬非常寶貴，連接性也無法保證。本報告將詳細介紹 AuroraXR 的目的、子系統和安全功能，以及部署該軟件的未來目標。

圖 1 不同的身臨其境技術在真實環境和全合成環境之間的位置描述

• 回顧 C2 概念和期望的演變，軍事組織一直在
  • 應對 21 世紀任務挑戰
  • 充分利用
• 充分利用信息時代概念和技術提供的機遇
• 評估在實現 NCW 愿景方面取得的進展（或缺乏進展的情況）
• 根據證據和經驗教訓確定關鍵挑戰
  • 從概念走向實踐
  • C2 研究重點

軍事行動需要具備對復雜的大城市環境進行態勢了解的能力。這通常是在情報、監視和偵察（ISR）任務中制定的。這些任務類型發生在戰斗的不同階段，包括戰斗行動和穩定與支持行動（SASO）。自主移動機器人小組可在已知的動態城市環境中執行巡邏和偵察任務，為士兵提供支持。

本文旨在開發一個名為 "風險地圖 "的概率框架。自主機器人將使用 "風險地圖 "規劃其行動，"風險地圖 "顯示了一個與戰術相關的位置，在該位置的暴露或環境可能使攻擊造成最大傷害（例如，可能的簡易爆炸裝置或狙擊手位置）。

“風險地圖”以決策過程為基礎，針對適應性對手事件分配機器人巡邏。這些技術將利用時間演化來防止對手不可避免地適應這些策略，因為這可能會使這些策略的效果大打折扣。

使用多機器人協調方法進行分散、信息量大且自適應的采樣應用不會出現單點故障。它允許隨時預測，任何機器人在任何時間點都能獲得環境的合理模型。此外，它還能將所需的通信量保持在最低水平。此外，適當的地理信息系統（GIS）技術為軍事指揮官提供了快速整合數據集、評估條件、規劃戰略和評估選項的手段。

圖：UGV和無人機之間的交互作用，進行源搜索和目視目標識別。

未來，人類將與人工智能系統密切合作。智能系統將成為團隊成員，并將起到擴展單個單元的覆蓋范圍和能力的作用，從而實現前所未有的能力。

自主機器人的智能探索和強大的協作監控將成為城市行動的關鍵，使其能夠預防未來的脆弱性和威脅風險。本論文探討了環境的先驗知識和類似場景中的行動歷史如何預測和預防未來的攻擊。在這篇論文中，我們提出了一個概率框架，在這個框架中，可以將一套領域專家規則與空間和語義知識結合起來，使自主智能體能夠收集信息。然后，自主智能體可以利用這個不斷演化的框架，針對不斷變化的信息環境規劃最佳行動，從而以最佳方式完成任務。我們的方法擴展了[Pit+08; ZST15]中描述的技術，用于本論文中介紹的 MAST/ARL 導航模塊所使用的基于信息的探索框架。Pita 等人創建了系統架構： ARMOR。該系統提供的月歷滿足了洛杉磯國際機場官員對檢查站和警犬在洛杉磯國際機場部署的所有關鍵要求。

多機器人團隊為部隊提供支持的一大挑戰是了解環境是如何動態變化的，以便為車隊選擇最明顯或最便捷路線的區域提供安全保障。為了應對這一挑戰，利用有關特定地點的地理信息系統數據和活動日志很有意義。實現這一目標的一種方法是使用基于信息的地圖（風險地圖），該地圖由一組模塊化組件組成，在評估風險的先驗概率時，這些組件代表了敵方戰略知識。此外，風險地圖還有一個時間組件，可逐漸回到先前的地圖狀態，代表戰爭迷霧。

我們考慮的現實場景是，由不同能力的機器人組成的團隊探索未知環境，每個機器人獲取并計算自己的地圖，并與團隊其他成員交換這些信息，同時考慮到通信限制，即機器人只能在特定距離內通信，信息量的交換受帶寬限制。此外，每個機器人都能從探索任務切換到尋找任務源，并能在需要時提供或請求援助。

論點陳述

利用自適應信息采樣的多機器人探索和導航協調策略，使機器人平臺能夠在未知環境中自主執行情報、監視和偵察（ISR）任務，從而防止未來的脆弱性和威脅風險。

貢獻

• 完整的分布式多機器人 SLAM 解決方案，可執行基于特征、基于目標以及基于姿態的圖形 SLAM，并具有概率數據關聯和閉環功能。
• 一種分布式算法，可根據相對姿態測量結果估算多個合作機器人或移動設備的 3D 軌跡。
• 提供高低威脅級別信息的系統框架，該信息將用作運動編隊和巡邏的行動計劃。
• 異構多機器人自適應信息采樣的新型協調策略，具有分散性和魯棒性。

本論文的所有貢獻都通過使用模擬和真實數據的實驗結果得到了驗證。

圖：模擬地圖，用于在舞臺模擬器內的各類環境中測試協調策略。機器人在其初始起始區域顯示為一排紅點，該區域代表一個突破口。導航關鍵點用紅色 "X "標記表示。

專注于這一簡單的思考過程，以確定

• 要做出的決策和做出明智決策所需的知識
• 為生成知識而進行評估的作戰和技術能力
• 為評估提供數據的數據源（如兵棋推演、實驗、M&S 活動、測試活動、分析等）

問題

• 美國國防部使用大量由不同供應鏈生產的軟件。
• 這些供應鏈可能會被對手破壞：
  • 網絡入侵
  • 內部威脅
• 未能檢測到惡意代碼的代價可能非常高昂，但檢測卻很困難。
  • 例如 2020 年 SolarWinds 事件
• 目標是檢測兩種類型的惡意代碼：
  • 潛在敏感信息的外泄
  • 定時炸彈/邏輯炸彈、遠程訪問木馬等。
    • 一般來說 調用潛在敏感的系統 API 調用（如啟動新進程）以響應潛在的可疑觸發（如在特定日期、響應傳入的網絡數據包等）。

方法

• 范圍限制：會將代碼標記為潛在惡意代碼，但需要進一步的人工分析才能確定代碼是否真的是惡意代碼。
  • 行為是否惡意取決于程序應該做什么。
  • 漏洞（如 SQL 注入）不在本項目的主要關注范圍內。
• 工具的目標：生成能簡明、準確地描述代碼庫潛在惡意行為的輸出結果，以便人工分析師能快速、準確地判斷該行為是良性的還是惡意的。

美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）利用高分辨率傳感器、實驗室儀器和軟件技術，開發了電力測量和分析工具。為支持這些傳感器的使用，開發了一套可擴展的軟件模塊，用戶界面只需一個網絡瀏覽器。ARL 開發的用于 "嵌入式研究系統的可視化和處理 "的軟件框架和模塊稱為 ARL-ViPERS。這種基于傳感器的軟件提供了一種方法，用于配置傳感器以及與傳感器產生的數據進行交互并使其可視化，而無需在終端用戶設備上安裝任何軟件。

引言

美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）的幾個傳感器系統原型建立在通用的模塊化數據采集、存儲、處理和通信硬件上，稱為 ARL 的自主實時電力測量和儀器系統（ARL-ARTEMIS）。ARL 的移動式無人值守地面傳感器 (ARL-MUGS) 和移動式功率計 (ARL-MPM) 就是其中的兩個例子（圖 1）。這些系統配備的軟件可用于傳感器配置，以及對電力 (EP) 系統收集的數據進行實時和后處理分析。ARL 開發的 "嵌入式研究系統可視化和處理 "軟件框架稱為 ARLViPERS。以下將 ARL-ARTEMIS 和 ARL-ViPERS 分別稱為 ARTEMIS 和 ViPERS。

ViPERS 包括嵌入式網絡應用程序（可通過用戶設備，如手機、平板電腦或個人電腦上的網絡瀏覽器訪問）和 Dataserver 應用程序（用于運行自定義處理代碼）。網絡應用程序和 Dataserver 都在傳感器上運行，共同提供用戶界面 (UI)，方便用戶配置傳感器，并提供多種數據可視化工具，方便用戶進行 "邊緣 "數據分析。Dataserver 的主要職責是在后臺管理正在進行的數據處理任務，而網絡服務器則用于為用戶提供相應的用戶界面。Dataserver 可以看作是 ViPERS 的 "大腦"，而網絡服務器則是 "臉面"。

所有需要的 ViPERS 軟件都在 ARL 傳感器硬件上運行；因此，用戶無需在用戶設備上安裝任何軟件。ViPERS 還考慮到了模塊化。它包括幾個用于 EP 分析的基礎模塊，用戶可以輕松擴展軟件，加入自己的模塊。用戶還可以上傳定制的處理代碼和可視化程序，這些程序將在傳感器上實時運行；詳見第 3.18 節。

本《ViPERS 用戶指南》逐步介紹了通過網絡應用程序向用戶提供的各項功能。第 2 部分提供了連接和使用 ViPERS 所需的基本信息。第 3 部分包括 ViPERS 網絡應用程序各模塊的詳細信息；第 4 部分提供 ViPERS 數據服務器的信息。有關添加新模塊和可用應用編程接口（APIs）的說明，請參閱配套的《ViPERS 實施指南》 和《ViPERS 編程手冊》。

ViPERS基礎

ViPERS 軟件框架包括以下內容：

1. 嵌入式網絡服務器，提供與傳感器交互的用戶界面；

2. Dataserver 應用程序，用于在傳感器后臺運行處理模塊；以及

3. 用于長期數據存儲的嵌入式實時時間序列數據庫。用戶可將本節作為 ViPERS 的基本 "快速入門 "指南。

當代軍事組織必須以更快的速度和更高的精度采取行動，在反叛亂（COIN）環境中戰勝對手并避免不準確的情況。此外，這是一個有問題的任務，因為COIN的復雜性和絕大多數叛亂分子擁有在熟悉環境中行動的優勢。

在叛亂和COIN戰爭中，選擇暴力的方式來實現叛亂派別的政治抱負。敵方利用各種威脅，如使用常規武器、非正規戰術、恐怖主義和犯罪行為，以同時和適應性地實現其政治目標。

反叛分子要想獲得成功，就必須把重點放在叛亂分子網絡上，但如果可能的話，必須在不對非戰斗人員造成傷害的情況下做到這一點。促進迅速和準確地瞄準叛亂分子網絡并可能減少附帶損害的一個解決方案是研究在COIN中使用人工智能（AI）增強系統來增強高價值目標（HVT）定位的潛力。

為了評估上述理論，本論文將依次研究查找、修復、完成、利用、分析和傳播（F3EAD）目標定位過程的六個不同步驟，以確定哪一部分或哪幾部分可能受益于人工智能作為一種力量倍增器對結果的貢獻。此外，在研究F3EAD過程的過程中，本論文將評估周期中的哪個階段有可能造成最嚴重的附帶損害。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射

人工智能 (AI) 有機會徹底改變美國國防部 (DoD) 和情報界 (IC) 應對不斷變化的威脅、數據泛濫和快速行動的挑戰的方式。開發端到端的人工智能系統需要并行開發不同的部分，這些部分必須協同工作，以提供可供決策者、作戰人員和分析人員使用的功能。這些部分包括數據收集、數據調節、算法、計算、強大的人工智能和人機協作。盡管當今的許多流行媒體都圍繞著算法和計算的進步，但大多數現代人工智能系統都利用了許多不同領域的進步。此外，雖然某些組件可能不像其他組件那樣對最終用戶可見，但我們的經驗表明，這些相互關聯的組件中的每一個都在 AI 系統的成功或失敗中發揮著重要作用。

本文旨在重點介紹端到端 AI 系統中涉及的許多技術。本文的目的是為讀者提供術語、技術細節的概述以及學術界、工業界和政府部門的最新亮點。在可能的情況下，我們會指出可用于進一步閱讀和理解的相關資源。